[논문 리뷰] On the Identifiability of the Post-Nonlinear Causal Model

Kun Zhang, Aapo Hyvärinen|arXiv (Cornell University)|2012. 05. 09.

Bayesian Modeling and Causal Inference참고 문헌 15인용 수 244

한 줄 요약

이 논문은 일반 조건 하에서 이변량 경우의 후비선형(PNL) 인과 모델의 식별 가능성을 확립하며, 모델의 비선형성과 잡음 구조가 특정 정규성 조건을 만족할 경우 관측 데이터로부터 인과 방향을 유일하게 결정할 수 있음을 증명한다. 또한 마르코프 동치 클래스 내에서 오차와 직접 원인 간의 조건부 이상독립성 테스트를 통해 다변량 설정에서 인과 구조를 효율적으로 복원하는 확장 가능한 방법을 제안하며, 모든 가능한 인과 그래프에 대한 완전 탐색을 피한다.

ABSTRACT

By taking into account the nonlinear effect of the cause, the inner noise effect, and the measurement distortion effect in the observed variables, the post-nonlinear (PNL) causal model has demonstrated its excellent performance in distinguishing the cause from effect. However, its identifiability has not been properly addressed, and how to apply it in the case of more than two variables is also a problem. In this paper, we conduct a systematic investigation on its identifiability in the two-variable case. We show that this model is identifiable in most cases; by enumerating all possible situations in which the model is not identifiable, we provide sufficient conditions for its identifiability. Simulations are given to support the theoretical results. Moreover, in the case of more than two variables, we show that the whole causal structure can be found by applying the PNL causal model to each structure in the Markov equivalent class and testing if the disturbance is independent of the direct causes for each variable. In this way the exhaustive search over all possible causal structures is avoided.

연구 동기 및 목표

• 이차 변수 설정에서 후비선형(PNL) 인과 모델의 식별 가능성을 이론적으로 확립하기 위해 필요한 조건을 도출한다.
• PNL 모델이 관측 데이터로부터 인과 방향을 유일하게 결정할 수 있는지 여부에 대한 오랜 동안 미해결된 문제를 해결한다.
• 모든 가능한 인과 구조에 대한 완전한 탐색을 피하면서 PNL 프레임워크를 다변량 인과 발견으로 확장한다.
• 오차와 직접 원인 간의 조건부 이상독립성 테스트를 활용하여 진정한 인과 그래프를 식별하는 실용적인 알고리즘을 제공한다.
• 다양한 비선형성과 잡음 구성 조건 하에서의 성능을 시뮬레이션을 통해 검증하여 이론적 결과의 타당성을 입증한다.

제안 방법

• 비선형 함수 f와 가감 잡음 ε을 포함하는 함수 방정식 X = f(Z) + ε을 이용한 PNL 모델 이론적 분석.
• 일반성 조건을 위반하는 특수한 함수 형태와 잡음 분포의 열거를 통해 식별 불가능한 케이스를 규명한다.
• 오차 항의 비정규성과 비선형성, 비선형 함수의 가역성에 기반한 식별 가능성을 위한 충분조건 유도.
• 마르코프 동치 클래스의 각 원소에 대해 PNL 모델을 적용하여 오차가 그 직접 원인과 조건부 독립인지 테스트한다.
• 마르코프 동치 그래프 간에서 정확한 인과 구조를 선택하기 위해 조건부 이상독립성 테스트를 활용하여 모든 가능한 DAG를 완전히 탐색하는 것을 피한다.
• PNL 모델의 식별 가능성 특성을 활용하여 후보 구조 공간을 단순화하는 탐색 전략 설계.

실험 결과

연구 질문

• RQ1 이차 변수 설정에서 후비선형 인과 모델이 언제 식별 가능한가?
• RQ2 어떤 특정한 함수 및 잡음 구성이 PNL 모델의 식별 불가능성을 초래하는가?
• RQ3 PNL 모델은 두 개 이상의 변수를 포함하는 시스템의 인과 발견으로 확장될 수 있는가?
• RQ4 PNL 모델의 구조를 활용하여 모든 가능한 인과 그래프에 대한 완전한 탐색을 피할 수 있는가?
• RQ5 마르코프 동치 클래스 내에서 오차와 직접 원인 간의 조건부 이상독립성은 어떻게 활용되어 정확한 인과 구조를 식별하는가?

주요 결과

• PNL 인과 모델은 거의 모든 경우에서 식별 가능하며, 비선형 함수와 잡음 분포의 특수한 열거된 열화된 구성에서만 식별 불가능성이 발생한다.
• 비정규성의 오차와 비선형 함수의 가역성 등의 충분조건이 유도되었으며, 이는 인과 방향이 유일하게 복원될 수 있음을 보장한다.
• 다변량 설정에서는 마르코프 동치 클래스 내에서 각 변수의 오차와 그 직접 원인 간의 조건부 이상독립성 테스트를 통해 정확한 인과 구조를 식별할 수 있다.
• 제안된 방법은 PNL 모델의 식별 가능성 특성을 활용하여 모든 가능한 인과 그래프에 대한 완전한 탐색을 피함으로써 계산 복잡도를 크게 감소시킨다.
• 시뮬레이션 결과, 비선형성과 잡음 유형이 다양한 조건에서도 방법이 진정한 인과 구조를 성공적으로 복원함을 확인하였다. 특히 비정규 잡음 조건에서 뛰어난 성능을 보였다.
• 측정 왜곡과 내부 잡음 효과를 PNL 구조로 모델링한 상황에서도 신뢰할 수 있는 인과 발견이 가능함을 입증하였다.